The AI inflection point in clinical neuropsychology: a call to action
Notice bibliographique
Résumé
This commentary explores the rapidly evolving role of Artificial Intelligence (AI) in clinical neuropsychology, offering a critical framework for its responsible integration. Drawing on recent work that used AI to automate a neuropsychological screening tool; the article discusses key fears about AI and its more tangible risks, across safety, privacy, diagnostic bias, "erosion" of clinical judgment, and a lack of transparency. Rather than a disruptive or displacing force, this commentary argues that it represents a natural evolution of the historical shared commitment within neuropsychology and AI research to understand learning and adaptation. Key ideas are explored that highlight the value of AI as a powerful augmentative tool that automates discrete tasks, freeing neuropsychologists to focus on higher-level clinical and ethical duties. It concludes that whilst AI will not replace neuropsychologists, it is already permanently reshaping clinical workflows, decision-making and the broader contours of practice, as other key technological advances have historically achieved. Therefore, cultivating AI literacy is a fundamental step in effectively responding as opposed to reacting to these global changes. It dually challenges and positions our professional community to actively define sound ethical parameters, uphold scientific rigor, and ultimately leverage automation to enhance equitable access to high quality care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,041 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,059 |
| Communication savante | 0,015 | 0,024 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,042 | 0,056 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».